論文の概要: Improved Data Generation for Enhanced Asset Allocation: A Synthetic
Dataset Approach for the Fixed Income Universe
- arxiv url: http://arxiv.org/abs/2311.16004v1
- Date: Mon, 27 Nov 2023 16:55:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 14:00:19.595542
- Title: Improved Data Generation for Enhanced Asset Allocation: A Synthetic
Dataset Approach for the Fixed Income Universe
- Title(参考訳): 資産配分強化のためのデータ生成の改善:固定所得宇宙のための合成データセットアプローチ
- Authors: Szymon Kubiak, Tillman Weyde, Oleksandr Galkin, Dan Philps and Ram
Gopal
- Abstract要約: 本稿では,アセットアロケーション手法の評価に適した合成データセットを生成する新しい手法を提案する。
得られた合成データセットは、様々な資産宇宙における資産配分手法の詳細な分析を容易にする。
- 参考スコア(独自算出の注目度): 17.64826659558015
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a novel process for generating synthetic datasets tailored to
assess asset allocation methods and construct portfolios within the fixed
income universe. Our approach begins by enhancing the CorrGAN model to generate
synthetic correlation matrices. Subsequently, we propose an Encoder-Decoder
model that samples additional data conditioned on a given correlation matrix.
The resulting synthetic dataset facilitates in-depth analyses of asset
allocation methods across diverse asset universes. Additionally, we provide a
case study that exemplifies the use of the synthetic dataset to improve
portfolios constructed within a simulation-based asset allocation process.
- Abstract(参考訳): 固定所得宇宙における資産配分手法の評価とポートフォリオ構築に適した合成データセットを生成する新しいプロセスを提案する。
我々のアプローチは、合成相関行列を生成するためにCorrGANモデルを強化することから始まる。
次に,与えられた相関行列に基づく追加データをサンプリングするエンコーダ・デコーダモデルを提案する。
得られた合成データセットは、様々な資産宇宙における資産配分手法の詳細な分析を容易にする。
さらに,シミュレーションに基づく資産配分プロセスにおいて構築されたポートフォリオを改善するために,合成データセットの使用例を示すケーススタディを提案する。
関連論文リスト
- Structured Entity Extraction Using Large Language Models [52.281701191329]
大規模言語モデル(LLM)は、構造化されていないテキストから構造化された情報を抽出する上で重要な役割を果たす。
タスクをエンティティ中心にすることで、さまざまな視点からより多くの洞察を提供するさまざまなメトリクスの使用を可能にします。
論文 参考訳(メタデータ) (2024-02-06T22:15:09Z) - Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A
Comprehensive Benchmark [56.8042116967334]
合成データは、機械学習モデルのトレーニングの代替となる。
合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。
本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
論文 参考訳(メタデータ) (2023-10-25T20:32:02Z) - Self-Supervised Dataset Distillation for Transfer Learning [77.4714995131992]
ラベルなしデータセットを、効率的な自己教師付き学習(SSL)のための小さな合成サンプル群に蒸留する新しい問題を提案する。
両レベル最適化におけるSSL目標に対する合成サンプルの勾配は、データ拡張やマスキングから生じるランダム性から、テキストバイアスを受けていることを最初に証明する。
転送学習を含む様々な応用における本手法の有効性を実証的に検証する。
論文 参考訳(メタデータ) (2023-10-10T10:48:52Z) - Zero-shot Composed Text-Image Retrieval [72.43790281036584]
合成画像検索(CIR)の問題点を考察する。
テキストや画像などのマルチモーダル情報を融合し、クエリにマッチする画像を正確に検索し、ユーザの表現能力を拡張できるモデルをトレーニングすることを目的としている。
論文 参考訳(メタデータ) (2023-06-12T17:56:01Z) - Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
生成過程が下流MLタスクにどのように影響するかを示す。
本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
論文 参考訳(メタデータ) (2023-05-16T07:30:29Z) - Generation and Simulation of Synthetic Datasets with Copulas [0.0]
本稿では,数値変数あるいは分類変数からなる合成データセットを生成するための完全かつ信頼性の高いアルゴリズムを提案する。
我々の方法論を2つのデータセットに適用すると、SMOTEやオートエンコーダといった他の手法よりも優れたパフォーマンスが得られる。
論文 参考訳(メタデータ) (2022-03-30T13:22:44Z) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳(メタデータ) (2022-03-03T05:58:49Z) - Incentivizing Collaboration in Machine Learning via Synthetic Data
Rewards [26.850070556844628]
本稿では、データ提供に利害関係者間の協調を動機付ける新しい協調生成モデリング(CGM)フレームワークを提案する。
合成データを報酬として分配することは、下流の学習タスクにタスクとモデルに依存しない利点を提供する。
論文 参考訳(メタデータ) (2021-12-17T05:15:30Z) - SYNC: A Copula based Framework for Generating Synthetic Data from
Aggregated Sources [8.350531869939351]
ダウンスケーリングと呼ばれる合成データ生成タスクについて検討する。
我々はSynC (Synthetic Data Generation via Gaussian Copula) と呼ばれる多段階フレームワークを提案する。
私たちはこの仕事に4つの重要な貢献をしています。
論文 参考訳(メタデータ) (2020-09-20T16:36:25Z) - Hierarchical regularization networks for sparsification based learning
on noisy datasets [0.0]
階層は、連続的により微細なスケールで特定される近似空間から従う。
各スケールでのモデル一般化を促進するため,複数次元にわたる新規な射影型ペナルティ演算子も導入する。
その結果、合成データセットと実データセットの両方において、データ削減およびモデリング戦略としてのアプローチの性能が示された。
論文 参考訳(メタデータ) (2020-06-09T18:32:24Z) - Orthogonal Inductive Matrix Completion [25.03115399173275]
本稿では,正則な側情報項の和に基づいて,行列補完に対する解釈可能なアプローチを提案する。
提案手法は,確率的に収束するアルゴリズムにより最適化する。
我々は,OMICの性能を複数の合成および実データに対して解析する。
論文 参考訳(メタデータ) (2020-04-03T16:21:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。